Prompt Engineering: Grundlagen und Praxis für Unternehmen

Dieselbe KI, dieselbe Aufgabe, zwei völlig unterschiedliche Antworten – der Unterschied liegt fast immer im Prompt. Prompt Engineering ist die Disziplin, Anfragen an ein Sprachmodell so zu formulieren, dass das Ergebnis verlässlich brauchbar ist und nicht nur manchmal. Dieser Artikel zeigt die Prinzipien dahinter, die Techniken, die 2026 noch tragen, und wie Sie Prompts im Unternehmen so organisieren, dass die Qualität nicht an einzelnen Personen hängt.

Was Prompt Engineering wirklich ist

Ein Sprachmodell hat keine Absicht und kein Vorwissen über Ihren Fall. Es setzt die wahrscheinlichste Fortsetzung Ihrer Eingabe zusammen. Alles, was es über die Aufgabe weiß, steht im Prompt. Fehlt dort der Kontext, füllt das Modell die Lücke mit dem statistischen Mittel aus seinen Trainingsdaten – und das ist der Grund, warum unpräzise Prompts generische, blasse Antworten erzeugen.

Prompt Engineering ist deshalb weniger eine Sprachkunst als eine Form der Anforderungsanalyse. Wer eine Aufgabe für einen neuen Mitarbeiter sauber aufschreiben kann – Ziel, Kontext, Format, Beispiel, Abgrenzung – kann auch gute Prompts schreiben. Die Erfahrung aus Kundenprojekten ist eindeutig: Teams scheitern nicht an fehlendem KI-Wissen, sondern daran, dass sie ihre eigene Aufgabe nie präzise formuliert haben.

Die fünf Bausteine eines belastbaren Prompts

Fast jeder gute Prompt enthält dieselben fünf Elemente. Nicht alle in jedem Fall, aber je anspruchsvoller die Aufgabe, desto wichtiger wird die Vollständigkeit.

1. Rolle und Perspektive

Eine zugewiesene Rolle verengt den Lösungsraum. „Du bist Steuerberater mit Schwerpunkt Kleinunternehmer“ führt zu anderen Antworten als eine Frage ohne Rahmen – nicht weil das Modell plötzlich mehr weiß, sondern weil es aus dem passenden Teil seines Wissens schöpft und den passenden Ton wählt.

2. Kontext und Hintergrund

Hier entscheidet sich die meiste Qualität. Branche, Zielgruppe, Vorgeschichte, Randbedingungen, vorhandene Materialien. Alles, was ein Mensch zur Bearbeitung bräuchte, braucht das Modell auch.

3. Die eigentliche Aufgabe

Ein Verb, ein Objekt, ein messbares Ziel. „Fasse zusammen“ ist vage. „Fasse auf maximal fünf Stichpunkte zusammen, je einer pro Risiko, jeweils unter 15 Wörtern“ ist überprüfbar.

4. Ausgabeformat

Das am häufigsten vergessene Element – und das mit dem besten Verhältnis von Aufwand zu Wirkung. Legen Sie fest, ob Sie Tabelle, JSON, Markdown, Fließtext oder Stichpunkte wollen, wie lang das Ergebnis sein darf und welche Felder es enthalten muss. Wer Ergebnisse weiterverarbeiten will, spart sich damit die halbe Nachbearbeitung.

5. Abgrenzung und Negativbeispiele

Was soll das Modell nicht tun. Keine Floskeln, keine Behauptungen ohne Quelle, keine Annahmen über Preise. Wichtig: Formulieren Sie Verbote wo möglich positiv. „Verwende ausschließlich Zahlen aus dem beigefügten Bericht“ funktioniert zuverlässiger als „Erfinde keine Zahlen“ – genannte Begriffe lenken die Aufmerksamkeit auf sich, auch wenn sie verneint werden.

Vom schwachen zum belastbaren Prompt

Ein Beispiel aus der Praxis. Die Aufgabe: aus einem Kundengespräch eine Angebotszusammenfassung erzeugen.

Schwach:
Fasse das Gespräch zusammen und schreibe ein Angebot.

Belastbar:
Rolle: Du bist Projektleiter einer Softwareagentur und schreibst
die interne Angebotsvorbereitung.

Kontext: Unten steht das Transkript eines Erstgesprächs mit einem
Maschinenbauunternehmen (120 Mitarbeiter, kein eigenes IT-Team).
Wir verkaufen Individualentwicklung, keine Lizenzen.

Aufgabe: Extrahiere die Entscheidungsgrundlage für ein Angebot.

Format: Markdown mit genau diesen Abschnitten
  - Ausgangslage (max. 3 Sätze)
  - Gewünschtes Ergebnis (Stichpunkte)
  - Genannte Randbedingungen (Budget, Termine, Systeme)
  - Offene Fragen, die vor dem Angebot geklärt werden müssen
  - Risiken mit kurzer Begründung

Regeln:
  - Verwende ausschließlich Informationen aus dem Transkript.
  - Markiere jede Information, die du nur vermutest, mit [unklar].
  - Nenne keine Preise und keine Aufwände.

Transkript:
"""
...
"""

Der zweite Prompt ist länger, aber er ist auch wiederverwendbar. Nach fünf Gesprächen hat er sich bezahlt, nach fünfzig ist er ein Prozess.

Techniken, die 2026 noch tragen

Zero-Shot, One-Shot, Few-Shot

Zero-Shot heißt: Aufgabe beschreiben, kein Beispiel. Für Standardaufgaben reicht das. Few-Shot heißt: zwei bis fünf vollständige Beispiele von Eingabe und gewünschter Ausgabe mitgeben. Das ist die wirksamste Einzelmaßnahme, wenn ein bestimmtes Format, eine Tonalität oder eine Klassifikationslogik getroffen werden muss, die sich schwer beschreiben lässt.

System-Prompt statt Wiederholung

Alle gängigen Modelle trennen zwischen System-Anweisung und Nutzereingabe. In den System-Prompt gehört, was immer gilt: Rolle, Tonalität, Sprache, Formatregeln, Verbote. In die Nutzereingabe gehört nur der konkrete Fall. Das reduziert Tokenkosten, macht Ergebnisse stabiler und ist die Grundlage jeder technischen Integration über eine API.

Chain-of-Thought – und wann er heute schadet

Jahrelang galt „Denke Schritt für Schritt“ als universeller Qualitätsgewinn. Bei klassischen Modellen stimmt das für mehrstufige Aufgaben weiterhin. Bei den Reasoning-Modellen, die inzwischen den Standard bilden, gilt es nicht mehr: diese Modelle führen ihre Gedankenkette ohnehin intern aus, bevor sie antworten. Die Aufforderung, zusätzlich zu schlussfolgern, kostet dann nur Zeit und Tokens und kann die Antwortqualität messbar verschlechtern. Die Anbieterdokumentationen weisen inzwischen ausdrücklich darauf hin.

Was stattdessen funktioniert: das Modell intern strukturiert denken lassen und die Ausgabe knapp halten. Also nicht „erkläre deinen Gedankengang“, sondern „prüfe die Angaben gegeneinander und gib am Ende nur die Tabelle aus“.

Aufgabentyp	Klassisches Modell	Reasoning-Modell
Extraktion, Klassifikation	Zero-Shot, kein CoT	Zero-Shot, kein CoT
Format treffen	Few-Shot mit Beispielen	Few-Shot mit Beispielen
Mehrstufige Analyse	CoT explizit anfordern	kein CoT, nur Ergebnisformat vorgeben
Rechnen, Logik	CoT plus Zwischenschritte	intern, Ausgabe knapp halten
Nachvollziehbarkeit nötig	CoT anfordern und protokollieren	Begründung separat anfordern

Strukturierte Ausgabe erzwingen

Wenn das Ergebnis maschinell weiterverarbeitet wird, beschreiben Sie das Schema nicht – erzwingen Sie es. Alle großen Anbieter unterstützen inzwischen JSON-Schema-gebundene Ausgaben, bei denen das Modell das Format nicht verletzen kann. Das ersetzt den gesamten Zweig an Fehlerbehandlung, der sonst entsteht, wenn ein Modell gelegentlich einen erklärenden Satz vor das JSON stellt.

Kontext zuletzt, Anweisung zuerst

Bei langen Eingaben – Verträge, Transkripte, Datenbestände – gehört die Anweisung an den Anfang und das konkrete Ziel noch einmal an das Ende. Modelle gewichten Anfang und Ende eines langen Kontexts stärker als die Mitte. Lange Dokumente gehören dazwischen, klar abgegrenzt durch Trennzeichen.

Die häufigsten Fehler

• Zu vage. Der Klassiker. „Schreibe einen guten Text über unser Produkt“ enthält keine einzige überprüfbare Anforderung.
• Kein Format. Das Ergebnis ist inhaltlich richtig, muss aber jedes Mal von Hand umgebaut werden.
• Zu viele Aufgaben in einem Prompt. Recherchieren, bewerten, schreiben und übersetzen in einem Schritt liefert bei allen vier Teilaufgaben Mittelmaß. Ketten Sie stattdessen.
• Negativ formulierte Regeln. „Keine Marketingsprache“ zieht Marketingsprache an. „Sachlicher Ton, Hauptsätze, keine Adjektive ohne Belegfunktion“ wirkt besser.
• Höflichkeitsfloskeln statt Präzision. „Bitte versuche doch mal, möglichst gut“ ersetzt keine Spezifikation.
• Prompt nie verbessert. Der erste Entwurf ist ein Entwurf. Wer dreimal iteriert, hat meist eine andere Qualitätsklasse erreicht.
• Fehlende Prüfinstanz. Niemand prüft, ob das Ergebnis stimmt – und bei Zahlen, Namen und Zitaten muss das jemand tun.

Prompt Engineering im Unternehmen

Der eigentliche Hebel liegt nicht im einzelnen guten Prompt, sondern darin, dass gute Prompts nicht verloren gehen. In der Praxis sieht man immer dasselbe Muster: zwei Leute im Team erzielen hervorragende Ergebnisse, alle anderen halten KI für überschätzt. Der Unterschied ist nicht Talent, sondern dass die Prompts der beiden niemandem zugänglich sind.

Eine Prompt-Bibliothek aufbauen

Fangen Sie klein und organisatorisch, nicht technisch. Ein geteiltes Dokument oder ein Verzeichnis im Wiki genügt für den Anfang. Entscheidend sind nicht Werkzeuge, sondern Konventionen:

• Jeder Prompt bekommt einen Zweck in einem Satz: wofür, für wen, mit welchem erwarteten Ergebnis.
• Variable Teile werden als Platzhalter markiert, etwa in geschweiften Klammern, damit klar ist, was ausgetauscht wird.
• Dazu gehört ein Beispielergebnis, an dem jeder erkennt, ob sein Lauf gut gelaufen ist.
• Jeder Prompt hat einen Verantwortlichen, der ihn pflegt, wenn sich Modelle oder Anforderungen ändern.
• Versionierung: eine Datumsangabe reicht. Prompts veralten mit Modellwechseln.

Vom Prompt zur Vorlage

Sobald ein Prompt dreimal in ähnlicher Form gebraucht wurde, wird er zur Vorlage mit Platzhaltern:

Du bist {ROLLE}. Zielgruppe ist {ZIELGRUPPE}.

Aufgabe: {AUFGABE}

Format:
{FORMAT}

Regeln:
- Verwende ausschließlich Informationen aus dem Abschnitt QUELLE.
- Was nicht in der Quelle steht, markierst du mit [nicht belegt].
- Sprache: Deutsch, Sie-Form, keine Füllwörter.

QUELLE:
"""
{QUELLE}
"""

Ab diesem Punkt wird aus Prompt Engineering ein Prozess – und der lässt sich automatisieren. Genau hier beginnt der Übergang zur technischen Integration: dieselbe Vorlage, aus einer Anwendung heraus über eine Schnittstelle aufgerufen, mit Daten aus Ihren Systemen gefüllt. Wie das konkret aussieht, zeigt der Artikel zur Integration von KI-APIs.

Testen und iterieren

Für ernsthafte Nutzung braucht es eine kleine Testmenge: fünf bis zehn echte Fälle mit bekanntem gewünschtem Ergebnis. Jede Promptänderung läuft gegen alle Fälle. Das klingt aufwendig, verhindert aber den häufigsten Rückschritt überhaupt – eine Verbesserung für Fall A, die Fall B kaputt macht. Für den Einstieg genügen die Playgrounds der Anbieter und eine Tabelle; wer regelmäßig arbeitet, nutzt Werkzeuge zur Prompt-Verwaltung mit Versionierung und automatisierter Auswertung.

Wo Prompt Engineering endet

Prompt Engineering ist mächtig, aber begrenzt. Es scheitert an zwei Stellen verlässlich.

Wenn Wissen fehlt. Ein Modell kann Ihre Preisliste, Ihre Verträge und Ihre Produktdokumentation nicht kennen. Das löst kein Prompt, sondern Retrieval Augmented Generation: die relevanten Dokumente werden zur Laufzeit gesucht und dem Prompt beigelegt. Der Artikel Persönlicher KI-Assistent für Unternehmen beschreibt diesen Aufbau, Vektordatenbanken erklärt den technischen Unterbau.

Wenn Verhalten dauerhaft abweichen soll. Wenn das Modell durchgängig in einer sehr spezifischen Tonalität oder Struktur antworten muss und der Prompt dafür immer länger wird, ist Fine-Tuning die saubere Alternative. Die Faustregel: Wissen gehört in den Kontext, Verhalten ins Training.

Wenn Handeln gefordert ist. Ein Prompt erzeugt Text. Wenn daraus Aktionen folgen sollen – Daten abrufen, Mails verschicken, Datensätze anlegen – führt der Weg zu KI-Agenten und automatisierten Abläufen, wie sie der Artikel zur KI-Automatisierung beschreibt.